RS（Regular Singular）隐写分析及实现

上篇博客介绍了LSB（最低有效位）算法。
这篇针对LSB算法介绍RS隐写分析的实现。

先介绍几个概念：
翻转函数为：

平滑度函数为：
掩码算子M为:

掩码算子可以取随机0，1但是一定要各占50%概率。

RS分析分为几个步骤：
1.对像素分组
以8位灰度图像为例，图像的像素取值范围为集合𝑃
P=｛0，……，255｝

分组可以看情况取，不一定非要是4。
2.对分组后的数据计算相关性（用平滑度函数），分别进行F1与F-1翻转后再计算相关性，进行对比得出$R_M,S_M,R_{-M},S_{-M}$的数值。

3.对图像的每个像素最低位取反，同样进行第二步操作。得出另外一组$R_M,S_M,R_{-M},S_{-M}$
设隐写率为p，第三步算出的$R_M,S_M,R_{-M},S_{-M}$为隐写率$(1-\frac{p}{2})$情况下的，记为$R_M(1-\frac{p}{2})$

4.解下面方程，取其中较小的数为解$x$，则隐写率估计为$p=\frac{x}{x-0.5}$
判断是否经过LSB隐写：

如果经过LSB隐写则对图片进行F1翻转与进行F-1翻转会对图片平滑度造成不同的影响，进而导致$R_M,S_M,R_{-M},S_{-M}$参数的不对称性，可以明显看出经过隐写。
通过F1隐写相当于在最低位增加了噪声，加水印时也相当于增加了最低位的噪声，但是F1变换引入噪声对像素的影响最多为1，原图单独引入F-1变换引入噪声对像素的影响同样最多为1。
但是，引入F-1变换时，如果加了水印的话相当于部分像素先进行了F1变换后进行了F-1变换将噪声引入像素的影响可以达到2。

对于上文LSB算法提到的第一种方法比第二种更具有RS分析的隐蔽性，可以直观理解为原图与水印图都具有是图片具有像素上的平滑性，直接二值化嵌入的话会将水印图的像素平滑性引入加水印后的图片，这样的话导致通过平滑度计算来分析隐写率较为困难。（也不是说第一种好，第一种也有缺点，比如存储二值化图片数据、直接提取最后一位信息直接就暴露了）

下面给两个代码：一种算子是随机取0，1，一种是0，1间隔。一种平滑度计算是Z字型顺序计算，一种是一行一行的计算。

# -*- coding: utf-8 -*-
"""
Created on Wed May 13 13:15:42 2020

@author: MYM
"""
import matplotlib.pyplot as plt
import matplotlib.image as pmg
import numpy as np
import random  

def rgb2gray(rgb):

    r, g, b = rgb[:,:,0], rgb[:,:,1], rgb[:,:,2]
    gray = 0.2989 * r + 0.5870 * g + 0.1140 * b

    return gray
def Fp(picture,flag=0):#单个元素的翻转 输入参数为：元素，翻转标签
    if flag==1:
        if picture%2==0:
            picture= picture+1
        else:
            picture= picture-1
    elif flag==-1:
        if picture%2==0:
            picture=picture-1
        else:
            picture=picture+1
    return picture
def Fp_block(block_ori,wei,flag=0):#块翻转，输入参数为：数据块，维度，翻转标签
    block=block_ori.copy()
    if wei==2:
        if flag==1:
            block[0,0]=Fp(block[0,0],1)
            block[0,1]=</